王鵬

フ?要：隨著科技的發(fā)展，可以檢測到的信號形式越來越多，因此信號處理的方法也越來越多。在對信號進(jìn)行處理時就要求對不同的信號選用不同的處理方法，才能達(dá)到理想的處理效果。通過對于每種信號處理方法的研究，了解了每種信號處理方法最適合使用的情況，才能通過對信號的分析，而對設(shè)備的運(yùn)行狀況做出準(zhǔn)確的判斷。通過峭度指標(biāo)，小波分析，倒頻譜技術(shù)分析，表明各種信號處理方法各有不同的優(yōu)點。

ス丶詞：信號處理；峭度；小波；倒頻譜

ブ型擠擲嗪牛篢H17

Abstract：With?the?development?of?science?and?technology，more?and?more?signals?can?be?detected，so?there?are?more?and?more?signal?processing?methods.When?processing?the?signal，different?processing?methods?are?required?for?different?signals?so?as?to?achieve?the?desired?effect.Through?the?study?of?each?signal?processing?method，we?know?that?each?signal?processing?method?is?most?suitable?for?use?in?order?to?make?an?accurate?judgment?on?the?operation?status?of?the?equipment?through?the?analysis?of?the?signal.Through?kurtosis?index，wavelet?analysis?and?cepstrum?technology?analysis，it?shows?that?all?kinds?of?signal?processing?methods?have?different?advantages.

Key?words：signal?processing；kurtosis；wavelet；cepstrum

信號處理是根據(jù)各種期望的目的和要求處理各種類型的電信號的通用術(shù)語。所謂的“信號處理”就是處理包含在某些載體上的信號以提取有用信息的過程。信號處理有一些通用術(shù)語，例如提取，轉(zhuǎn)換，分析和合成。在進(jìn)行信號處理時，經(jīng)常遇到的是電信信號。例如通過各種傳感器來對設(shè)備進(jìn)行測量，從傳感器獲得微弱的電信號，在這些微弱信號中就包含有各種信息。通過放大和濾除弱電信號，就可以獲得信號處理所需的信號。在進(jìn)行處理時我們可以選用不同的方法，但是每種方法都有最適合使用的情況。

1?峭度指標(biāo)

デ投榷韌ǔＳ糜讜縉詮收系惱鋃?。峭度是窂某随蛔兞糠植继卣鞯臄?shù)值統(tǒng)計量，是4階累積量。振動信號的振幅分布接近正態(tài)分布，峭度指標(biāo)值用K表示，在K=3左右呈正太分布。隨著故障的產(chǎn)生和發(fā)展，振動信號中大振幅的概率密度增大，振幅的分布也隨之增大。信號偏離正態(tài)分布，正常曲線隨著故障的發(fā)生和發(fā)展而變?yōu)閮A斜或分散，因此峭度值也增加。峭度指數(shù)的絕對值越大，軸承偏離其正常狀態(tài)就越嚴(yán)重，故障也就越嚴(yán)重。

デ投榷猿寤饜藕鷗敏感。在設(shè)備的早期故障中，峭度指標(biāo)將明顯增加。在故障后期，隨著設(shè)備故障的加深，峭度指標(biāo)會降低，因此通常采用峭度指標(biāo)來檢測設(shè)備的早期故障。對于后期，峭度指標(biāo)的效果將大大降低。峭度指標(biāo)判斷方法具有一定的實用性，但作為時域分析方法，它基本上只適用于某類或幾類情況，一般不能綜合判斷所有故障，不能進(jìn)一步定位和分析故障的位置和性質(zhì)。

2?最小熵

レ厥潛碚鳠崍ρе形鎦首刺的參數(shù)之一，用符號S表示。它的物理意義是系統(tǒng)中混亂程度的度量。直到1948年，香農(nóng)才提出了“信息熵”的概念來解決信息量化測量的問題。術(shù)語熵來自香農(nóng)的熱力學(xué)。熱力學(xué)中的熱熵是指分子狀態(tài)中混沌程度的物理量。香農(nóng)使用信息熵的概念來描述源的不確定性。本質(zhì)上，信息熵是信息輸出的不確定性和事件隨機(jī)性的度量。它代表了平均意義上的源的整體信息。如果信息分布越集中，則反映的故障特征越明顯，信號中包含的信息越少，熵越小。類似地，如果信息的分布越混亂，則信息越不規(guī)則，信號中包含的信息越多，熵越大。香農(nóng)對此做出了杰出貢獻(xiàn)。他把信息定義為“熵的減少”，即“系統(tǒng)或事物不確定性的減少”。也就是說熵最小就是確定程度越高，可靠性越高。熵實際上是一個隨機(jī)變量的不確定性，熵最大的時候，說明隨機(jī)變量最不確定。在信源中，考慮的不是某一單個符號發(fā)生的不確定性，而是要考慮這個信息源所有可能發(fā)生情況的平均不確定性。若信源符號有n種取值：U1…Ui…Un，對應(yīng)概率為：P1…Pi…Pn，且各種符號的出現(xiàn)彼此獨(dú)立。這時，信息源的平均不確定性應(yīng)當(dāng)為單個符號不確定性-log?Pi的統(tǒng)計平均值（E），可稱為信息熵用H（U）表示，即:

お獺(U)=E［-玪og玴i］=-∑ni=1玪og玴i

ナ街卸允一般取2為底，單位為比特。

3?倒頻譜技術(shù)

サ蠱燈準(zhǔn)際踔饕用于語音信號的聲源特征和頻率特征的分析，按照語音分析的需要，將語音頻率的高階和低階分開。該技術(shù)是在傳統(tǒng)頻譜分析的基礎(chǔ)上發(fā)展起來的，是一種非線性信號處理技術(shù)。它可用于分析頻譜圖上的周期性結(jié)構(gòu)，并分離和提取密集頻率信號中的周期性分量。

ピ詰蠱燈字校功率譜的逆變換通過傅立葉逆變換得到，復(fù)數(shù)卷積關(guān)系變?yōu)楹唵蔚木€性疊加。因此，可以在其倒譜上容易地識別信號的頻率分量，并且容易提取相關(guān)的頻率分量以更準(zhǔn)確地反映故障特征。這種分析方法受傳感器測量點的位置和傳輸方式的影響較小。它可以將原始光譜圖的原始光譜線簡化為單個光譜線，從而提取和分析原始光譜中肉眼難以識別的周期信號。近年來，倒頻譜技術(shù)在噪聲和振動源識別，地震回波分析和故障診斷等領(lǐng)域得到越來越多的應(yīng)用。

4?結(jié)語

バ藕糯理方法有很多種，例如有均值，均方值，方差，自相關(guān)函數(shù)，互相關(guān)函數(shù)。其他常用的方法還有支持向量機(jī)，人工神經(jīng)網(wǎng)絡(luò)等方法。通過以上的分析可以發(fā)現(xiàn)，峭度指標(biāo)用于故障的早期診斷效果較好，小波分析在故障診斷中用的較多，倒頻譜多用于語音的識別，現(xiàn)在在故障診斷領(lǐng)域也得到了越來越多的應(yīng)用。可以清楚的發(fā)現(xiàn)不同的方法都有不同優(yōu)點，結(jié)合信號的具體情況選用合適的方法，達(dá)到最好的效果。